1.音频简介
经常见到这样的描述: 44100HZ16bit stereo 或者 22050HZ 8bit mono 等等.
44100HZ16bit stereo: 每秒钟有 44100 次采样, 采样数据用 16 位(2字节)记录,双声道(立体声);
22050HZ8bit
当然也可以有16bit 的单声道或 8bit 的立体声, 等等。
采样率是指:声音信号在“模→数”转换过程中单位时间内采样的次数。采样值是指每一次采样周期内声音模拟信号的积分值。
对于单声道声音文件,采样数据为八位的短整数(shortint 00H-FFH);
而对于双声道立体声声音文件,每次采样数据为一个16位的整数(int),高八位(左声道)和低八位(右声道)分别代表两个声道。
人对频率的识别范围是 20HZ -20000HZ, 如果每秒钟能对声音做 20000 个采样, 回放时就足可以满足人耳的需求. 所以 22050 的采样频率是常用的,44100已是CD音质, 超过48000的采样对人耳已经没有意义。这和电影的每秒 24 帧图片的道理差不多。
每个采样数据记录的是振幅,采样精度取决于储存空间的大小:
1字节(也就是8bit) 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级;
2字节(也就是16bit) 可以细到 65536 个数, 这已是 CD 标准了;
4字节(也就是32bit) 能把振幅细分到 4294967296 个等级, 实在是没必要了.
如果是双声道(stereo),采样就是双份的, 文件也差不多要大一倍.
这样我们就可以根据一个 wav文件的大小、采样频率和采样大小估算出一个 wav 文件的播放长度。
譬如"Windows XP 启动.wav" 的文件长度是 424,644 字节, 它是 "22050HZ / 16bit / 立体声"格式(这可以从其 "属性->摘要" 里看到),
那么它的每秒的传输速率(位速,也叫比特率、取样率)是 22050*16*2 =705600(bit/s),
播放时间:424644(总字节数) / 88200(每秒字节数) ≈ 4.8145578(秒)。
但是这还不够精确, 包装标准的 PCM格式的 WAVE 文件(*.wav)中至少带有 42 个字节的头信息,在计算播放时间时应该将其去掉,
关于声音文件还有一个概念: "位速",也有叫做比特率、取样率, 譬如上面文件的位速是 705.6kbps 或 705600bps, 其中的 b 是 bit, ps是每秒的意思;
压缩的音频文件常常用位速来表示,譬如达到 CD 音质的 MP3 是: 128kbps / 44100HZ.
2.wave文件格式
2.1概述
WAVE文件是计算机领域最常用的数字化声音文件格式之一,它是微软专门为Windows系统定义的波形文件格式(WaveformAudio),由于其扩展名为"*.wav"。
WAVE是录音时用的标准的WINDOWS文件格式,文件的扩展名为“WAV”,数据本身的格式为PCM或压缩型。
WAV文件格式是一种由微软和IBM联合开发的用于音频数字存储的标准,它采用RIFF文件格式结构,非常接近于AIFF和IFF格式。符合PIFF Resource Interchange FileFormat规范。所有的WAV都有一个文件头,这个文件头音频流的编码参数。
WAV对音频流的编码没有硬性规定,除了PCM之外,还有几乎所有支持ACM规范的编码都可以为WAV的音频流进行编码。
多媒体应用中使用了多种数据,包括位图、音频数据、视频数据以及外围设备控制信息等。RIFF为存储这些类型的数据提供了一种方法,RIFF文件所包含的数据类型由该文件的扩展名来标识,能以RIFF文件存储的数据包括:
音频视频交错格式数据(.AVI)、波形格式数据(.WAV) 、位图格式数据(.RDI) 、MIDI格式数据(.RMI) 、调色板格式(.PAL)、多媒体电影(.RMN) 、动画光标(.ANI) 、其它RIFF文件(.BND)。
wave文件有很多不同的压缩格式,所以,正确而详细地了解各种WAVE文件的内部结构是成功完成压缩和解压缩的基础,也是生成特有音频压缩格式文件的前提。
最基本的WAVE文件是PCM(脉冲编码调制)格式的,这种文件直接存储采样的声音数据没有经过任何的压缩,是声卡直接支持的数据格式,要让声卡正确播放其它被压缩的声音数据,就应该先把压缩的数据解压缩成PCM格式,然后再让声卡来播放。
2.2Wave文件的内部结构
注:由于WAV格式源自Windows/Intel环境,因而采用Little-Endian字节顺序进行存储。
WAVE文件是以RIFF(ResourceInterchange File Format, "资源交互文件格式")格式来组织内部结构的。
RIFF文件结构可以看作是树状结构,其基本构成是称为"块"(Chunk)的单元,最顶端是一个“RIFF”块,下面的每个块有“类型块标识(可选)”、“标志符”、“数据大小”及“数据”等项所组成。块的结构如表1所示:
名称 |
Size |
备注 |
块标志符 |
4 |
4个小写字符(如 "fmt ","fact", "data" 等) |
数据大小 |
4 |
DWORD类型,表示后接数据的大小(NBytes) |
数据 |
N |
本块中正式数据部分 |
表1:基本chunk的内部结构
上面说到的“类型块标识”只在部分chunk中用到,如"WAVE" chunk中,这时表示下面嵌套有别的chunk。
当使用了"类型块标识"时,该chunk就没有别的项(如块标志符,数据大小等),它只作为文件读取时的一个标识。先找到这个“类型块标识”,再以它为起点读取它下面嵌套的其它chunk。
每个文件最前端写入的是RIFF块,每个文件只有一个RIFF块。从Wave文件格式详细说明 中可以看到这一点。